Fatores de Risco Sociais que impactam em Homicídio Familiar

#aqui fica tudo que deve ser inicializado automaticamente no início do projeto
library(tidyverse) #manipular dados
library(gtsummary) #gerar tabelas de contingencia com p-valor
library(formattable) #gerar tabelas
library(DT) #gerar tabelas
library(rmarkdown) #estilo do relatório
library(data.table) #carregar grandes bases de dados
library(sjPlot) #plota coeficientes de modelos de regressão
library(sjlabelled) #para modelar a regressao logistica
library(sjmisc) #para modelar a regressao logistica

knitr::opts_chunk$set(echo = TRUE)

1. Base de Dados e Pré-processamento

2. Análise Exploratória dos Dados

2.1 Tabela de contingência vs Variável binária homicidio

#criando a tabela de contingência
dados_familia %>% 
  select( #aqui ta selecionando as variáveis na tabela
   qtd_pesoas_familia,
    raca,
    jovem,
    idoso,
    idade,
    comodos,
    receb_fam,
    empregado, 
    desempregado,
    escolaridade,
    regiao,
    freq_escola,
    analfabetismo,
    qtd_dias_receb_QUART,
    crowded,
    fup,
    desfecho) %>% 
  tbl_summary(by = desfecho,
              statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% 
  add_p() %>% #adiciona os p-valores dos testes estatísticos 
   bold_labels() 

Characteristic	0, N = 183,2751	1, N = 4,4121	p-value2
qtd_pesoas_familia	2 (0)	2 (0)	<0.001
raca			<0.001
1	60,487 (36%)	1,490 (38%)
2	20,903 (13%)	401 (10%)
3	616 (0.4%)	12 (0.3%)
4	83,377 (50%)	1,958 (50%)
5	635 (0.4%)	69 (1.8%)
Unknown	17,257	482
jovem	10 (22)	21 (28)	<0.001
idoso	43 (40)	18 (28)	<0.001
idade			<0.001
<20	19,298 (12%)	866 (23%)
>60	77,259 (50%)	804 (22%)
20|-40	21,442 (14%)	1,065 (29%)
40|-60	37,208 (24%)	999 (27%)
Unknown	28,068	678
comodos			<0.001
0	3,136 (1.7%)	98 (2.2%)
1	4,023 (2.2%)	126 (2.9%)
2	10,598 (5.8%)	306 (6.9%)
3	24,142 (13%)	597 (14%)
4	46,152 (25%)	1,133 (26%)
5	47,591 (26%)	1,089 (25%)
6	28,103 (15%)	638 (14%)
7	10,458 (5.7%)	228 (5.2%)
8	9,072 (4.9%)	197 (4.5%)
receb_fam	1,711 (1,704)	2,122 (1,772)	<0.001
empregado	15 (26)	23 (30)	<0.001
desempregado	44 (35)	50 (34)	<0.001
escolaridade			<0.001
0	30,894 (22%)	285 (8.8%)
1	360 (0.3%)	7 (0.2%)
2	1,599 (1.1%)	21 (0.6%)
3	66,782 (47%)	1,277 (40%)
4	35,798 (25%)	1,312 (41%)
5	7,323 (5.1%)	315 (9.7%)
6	704 (0.5%)	14 (0.4%)
Unknown	39,815	1,181
regiao			<0.001
Centro-Oeste	10,507 (5.7%)	321 (7.3%)
Nordeste	71,723 (39%)	1,622 (37%)
Norte	9,250 (5.1%)	274 (6.2%)
Sudeste	61,027 (33%)	1,248 (28%)
Sul	30,638 (17%)	945 (21%)
Unknown	130	2
freq_escola			<0.001
0	59,914 (38%)	955 (26%)
1	540 (0.3%)	14 (0.4%)
2	1,916 (1.2%)	38 (1.0%)
3	67,210 (42%)	1,591 (43%)
4	24,666 (16%)	932 (25%)
5	4,419 (2.8%)	176 (4.7%)
6	436 (0.3%)	6 (0.2%)
Unknown	24,174	700
analfabetismo	38 (39)	24 (32)	<0.001
Unknown	18,491	512
qtd_dias_receb_QUART			<0.001
1	69,012 (38%)	1,214 (28%)
2	51,052 (28%)	1,289 (29%)
3	37,593 (21%)	1,075 (24%)
4	25,618 (14%)	834 (19%)
crowded	1.15 (0.88)	1.32 (1.06)	<0.001
Unknown	3,330	100
fup	5.60 (2.53)	5.52 (2.49)	0.090
Unknown	22,602	562
1 Mean (SD); n (%)
2 Wilcoxon rank sum test; Pearson's Chi-squared test

NA

2.3 Regressao Logistica

Construcao do modelo

#transformando em fator
dados_familia$desfecho <- factor(dados_familia$desfecho) 
dados_familia$raca <- factor(dados_familia$raca) 
#dados_familia$comodos <- factor(dados_familia$comodos) 
dados_familia$escolaridade <- factor(dados_familia$escolaridade) 
dados_familia$freq_escola <- factor(dados_familia$freq_escola) 
dados_familia$idade <- factor(dados_familia$idade) 


#modelagem da regressao logistica
m1 <- glm(desfecho ~ qtd_pesoas_familia + raca + jovem + idoso + idade + comodos + receb_fam + empregado + 
      desempregado + escolaridade + regiao + freq_escola  + analfabetismo + qtd_dias_receb_QUART + 
      crowded + fup, data = dados_familia, family = binomial(link = "logit"))

Tabela de significancia

#construindo tabela
tab_model(m1, file="tabela-homicidio.html")

Profiled confidence intervals may take longer time to compute. Use 'ci_method="wald"'
  for faster computation of CIs.

htmltools::includeHTML("tabela-homicidio.html")

	desfecho
Predictors	Odds Ratios	CI	p
(Intercept)	0.02	0.01 – 0.03	<0.001
qtd pesoas familia	1.22	1.10 – 1.38	0.001
raca [2]	0.68	0.58 – 0.79	<0.001
raca [3]	0.75	0.32 – 1.49	0.465
raca [4]	0.81	0.73 – 0.90	<0.001
raca [5]	3.88	2.75 – 5.36	<0.001
jovem	1.01	1.00 – 1.01	<0.001
idoso	0.98	0.98 – 0.99	<0.001
idade [>60]	0.79	0.64 – 0.97	0.025
idade20|-40	1.28	1.13 – 1.45	<0.001
idade40|-60	0.72	0.63 – 0.83	<0.001
comodos	1.04	1.01 – 1.08	0.012
receb fam	1.00	1.00 – 1.00	0.800
empregado	1.00	1.00 – 1.01	<0.001
desempregado	1.00	1.00 – 1.00	0.188
escolaridade [1]	1.92	0.68 – 4.57	0.176
escolaridade [2]	1.77	0.97 – 3.07	0.053
escolaridade [3]	1.68	1.35 – 2.08	<0.001
escolaridade [4]	2.22	1.75 – 2.82	<0.001
escolaridade [5]	2.74	2.03 – 3.68	<0.001
escolaridade [6]	2.71	1.12 – 5.59	0.014
regiao [Nordeste]	0.75	0.63 – 0.90	0.001
regiao [Norte]	0.97	0.78 – 1.22	0.825
regiao [Sudeste]	0.69	0.58 – 0.83	<0.001
regiao [Sul]	1.12	0.93 – 1.36	0.220
freq escola [1]	0.97	0.44 – 1.93	0.943
freq escola [2]	0.92	0.55 – 1.48	0.743
freq escola [3]	0.82	0.70 – 0.96	0.015
freq escola [4]	0.74	0.61 – 0.89	0.001
freq escola [5]	0.63	0.47 – 0.85	0.003
freq escola [6]	0.42	0.12 – 1.36	0.150
analfabetismo	1.00	1.00 – 1.00	0.725
qtd dias receb QUART	1.02	0.92 – 1.13	0.759
crowded	1.06	1.01 – 1.11	0.028
fup	0.99	0.97 – 1.00	0.108
Observations	104896
R2 Tjur	0.021

Plotando o grafico com Odds Ratio

plot_model(m1, show.values = TRUE, value.offset = .4, title = "Homicidio na familia")